CN112215429A - 基于历史轨迹的轨迹预测方法及装置 - Google Patents
基于历史轨迹的轨迹预测方法及装置 Download PDFInfo
- Publication number
- CN112215429A CN112215429A CN202011126574.5A CN202011126574A CN112215429A CN 112215429 A CN112215429 A CN 112215429A CN 202011126574 A CN202011126574 A CN 202011126574A CN 112215429 A CN112215429 A CN 112215429A
- Authority
- CN
- China
- Prior art keywords
- track
- tracks
- sample
- observation
- sub
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 50
- 238000009826 distribution Methods 0.000 claims description 26
- 238000003860 storage Methods 0.000 claims description 15
- 238000004590 computer program Methods 0.000 claims description 13
- 238000010586 diagram Methods 0.000 description 20
- 238000004891 communication Methods 0.000 description 10
- 230000006870 function Effects 0.000 description 7
- 238000005516 engineering process Methods 0.000 description 6
- 230000003287 optical effect Effects 0.000 description 5
- 230000008569 process Effects 0.000 description 5
- 230000005540 biological transmission Effects 0.000 description 4
- 230000005236 sound signal Effects 0.000 description 4
- 238000010606 normalization Methods 0.000 description 3
- 230000001133 acceleration Effects 0.000 description 2
- 238000013473 artificial intelligence Methods 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 239000000835 fiber Substances 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 230000001902 propagating effect Effects 0.000 description 2
- 238000005070 sampling Methods 0.000 description 2
- 230000003068 static effect Effects 0.000 description 2
- RYGMFSIKBFXOCR-UHFFFAOYSA-N Copper Chemical compound [Cu] RYGMFSIKBFXOCR-UHFFFAOYSA-N 0.000 description 1
- 230000009471 action Effects 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 229910052802 copper Inorganic materials 0.000 description 1
- 239000010949 copper Substances 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/24—Querying
- G06F16/245—Query processing
- G06F16/2458—Special types of queries, e.g. statistical queries, fuzzy queries or distributed queries
- G06F16/2462—Approximate or statistical queries
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/29—Geographical information databases
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/40—Business processes related to the transportation industry
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Databases & Information Systems (AREA)
- Economics (AREA)
- Human Resources & Organizations (AREA)
- Strategic Management (AREA)
- Data Mining & Analysis (AREA)
- Probability & Statistics with Applications (AREA)
- Tourism & Hospitality (AREA)
- General Engineering & Computer Science (AREA)
- General Business, Economics & Management (AREA)
- Marketing (AREA)
- Mathematical Physics (AREA)
- Development Economics (AREA)
- Fuzzy Systems (AREA)
- Quality & Reliability (AREA)
- Software Systems (AREA)
- Computational Linguistics (AREA)
- Game Theory and Decision Science (AREA)
- Entrepreneurship & Innovation (AREA)
- Operations Research (AREA)
- Remote Sensing (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本公开涉及一种基于历史轨迹的轨迹预测方法及装置,所述方法包括:从预设的多条历史轨迹的子轨迹集合中,选取与观测轨迹匹配度最高的K条子轨迹,作为K条样本轨迹,所述多条历史轨迹包括多个航空器的历史运行轨迹,所述观测轨迹包括当前观测的航空器的运行轨迹,所述历史轨迹的子轨迹的长度小于或等于所述历史轨迹的长度,且大于所述观测轨迹的长度,K为正整数;分别确定K条样本轨迹中各条样本轨迹与观测轨迹之间的平均距离;在各个平均距离中存在小于或等于预设的距离阈值的平均距离的情况下,根据K条样本轨迹,确定观测轨迹在预测时刻的估计位置。本公开的实施例,可减少轨迹预测的时间开销,提高轨迹预测的准确性。
Description
技术领域
本公开涉及航空技术领域,尤其涉及一种基于历史轨迹的轨迹预测方法及装置。
背景技术
在民航领域,通常需要对航空器等目标对象的运行轨迹进行预测。相关技术中,利用历史轨迹进行轨迹预测时,一般需要从历史轨迹中提取出固定的轨迹模式,例如将轨迹聚类后,将同一类历史轨迹的均值作为轨迹模式,从而通过轨迹模式进行预测。但是,由于历史轨迹的长度可能不同,在对历史轨迹进行等长处理时,会引入较大的干扰及误差,且将同一类历史轨迹合并为一个轨迹模式,会丢失较多信息,最终导致预测误差增大。而若直接基于历史轨迹进行预测,则需要频繁遍历历史轨迹数据集合,时间开销巨大,难以应用到实际场景中。
发明内容
有鉴于此,本公开提出了一种基于历史轨迹的轨迹预测方法及装置,通过从历史轨迹中确定出合适的样本轨迹,并根据样本轨迹进行预测,可在减少时间开销的情况下,提高轨迹预测的准确性。
根据本公开的一方面,提供了一种基于历史轨迹的轨迹预测方法,所述方法包括:
从预设的多条历史轨迹的子轨迹集合中,选取与观测轨迹匹配度最高的K条子轨迹,作为K条样本轨迹,所述多条历史轨迹包括多个航空器的历史运行轨迹,所述观测轨迹包括当前观测的航空器的运行轨迹,所述历史轨迹的子轨迹的长度小于或等于所述历史轨迹的长度,且大于所述观测轨迹的长度,K为正整数;
分别确定所述K条样本轨迹中各条样本轨迹与所述观测轨迹之间的平均距离;
在各个平均距离中存在小于或等于预设的距离阈值的平均距离的情况下,根据所述K条样本轨迹,确定所述观测轨迹在预测时刻的估计位置。
在一种可能的实现方式中,所述从预设的多个历史轨迹的子轨迹集合中,选取与观测轨迹匹配度最高的K条子轨迹,作为K条样本轨迹,包括:
分别确定所述子轨迹集合中各条子轨迹与观测轨迹之间的第一距离,所述第一距离为欧式距离;
将所述子轨迹集合中与所述观测轨迹的第一距离最短的K条子轨迹,确定为与所述观测轨迹匹配度最高的K条子轨迹;
将所述K条子轨迹,确定为K条样本轨迹。
在一种可能的实现方式中,所述分别确定所述K条样本轨迹中各条样本轨迹与所述观测轨迹之间的平均距离,包括:
对于任一样本轨迹,分别确定预设时长内所述样本轨迹与所述观测轨迹的各个对应轨迹点之间的第二距离;
将所述第二距离的平均值,确定为所述样本轨迹与所述观测轨迹之间的平均距离。
在一种可能的实现方式中,所述根据所述K条样本轨迹,确定所述观测轨迹在预测时刻的估计位置,包括:
分别确定所述K条样本轨迹中各条样本轨迹与所述观测轨迹之间的第三距离;
从所述K条样本轨迹中,选取与所述观测轨迹的第三距离最短的M条样本轨迹,M为正整数且M≤K;
根据所述第三距离,分别确定所述M条样本轨迹中各条样本轨迹的权重;
根据所述M条样本轨迹及所述权重,确定所述观测轨迹在预测时刻的估计位置。
在一种可能的实现方式中,所述根据所述M条样本轨迹及所述权重,确定所述观测轨迹在预测时刻的估计位置,包括:
分别确定各条样本轨迹与所述观测轨迹的预测时刻对应的目标时间点;
根据各条样本轨迹在所述目标时间点的轨迹位置及所述权重,确定所述观测轨迹在预测时刻的估计位置。
在一种可能的实现方式中,所述根据所述M条样本轨迹在所述目标时间点的轨迹位置及所述权重,确定所述观测轨迹在所述预测时刻的估计位置,包括:
根据所述M条样本轨迹在所述目标时间点的轨迹位置及所述权重,通过混合高斯分布,拟合所述观测轨迹在所述预测时刻的估计位置服从的概率分布;
根据所述概率分布,确定所述观测轨迹在所述预测时刻的估计位置。
在一种可能的实现方式中,所述方法还包括:
在各个平均距离中均不存在小于或等于预设的距离阈值的平均距离的情况下,从所述子轨迹集合中除所述K条样本轨迹外的子轨迹中,重新选取与所述观测轨迹匹配度最高的K条子轨迹;
将重新选取的K条子轨迹,作为K条样本轨迹。
根据本公开的另一方面,提供了一种基于历史轨迹的轨迹预测装置,所述装置包括:
样本轨迹确定模块,用于从预设的多条历史轨迹的子轨迹集合中,选取与观测轨迹匹配度最高的K条子轨迹,作为K条样本轨迹,所述多条历史轨迹包括多个航空器的历史运行轨迹,所述观测轨迹包括当前观测的航空器的运行轨迹,所述历史轨迹的子轨迹的长度小于或等于所述历史轨迹的长度,且大于所述观测轨迹的长度,K为正整数;
平均距离确定模块,用于分别确定所述K条样本轨迹中各条样本轨迹与所述观测轨迹之间的平均距离;
预测模块,用于在各个平均距离中存在小于或等于预设的距离阈值的平均距离的情况下,根据所述K条样本轨迹,确定所述观测轨迹在预测时刻的估计位置。
根据本公开的另一方面,提供了一种基于历史轨迹的轨迹预测装置,包括:处理器;用于存储处理器可执行指令的存储器;其中,所述处理器被配置为执行上述方法。
根据本公开的另一方面,提供了一种非易失性计算机可读存储介质,其上存储有计算机程序指令,其中,所述计算机程序指令被处理器执行时实现上述方法。
根据本公开的实施例,能够从多条历史轨迹的子轨迹集合中,选取与观测轨迹匹配度最高的K条子轨迹,作为K条样本轨迹,并分别确定K条样本轨迹中各条样本轨迹与观测轨迹之间的平均距离,在各个平均距离中存在小于或等于预设的距离阈值的平均距离的情况下,根据K条样本轨迹,确定观测轨迹在预测时刻的估计位置,从而可在预测当前观测的航空器的运行轨迹时,从多个航空器的历史轨迹中,确定出合适的样本轨迹,以减小样本集合,提高处理速度,降低时间开销,并可直接根据样本轨迹进行轨迹预测,以减小预测误差,提高轨迹预测的准确性。
根据下面参考附图对示例性实施例的详细说明,本公开的其它特征及方面将变得清楚。
附图说明
包含在说明书中并且构成说明书的一部分的附图与说明书一起示出了本公开的示例性实施例、特征和方面,并且用于解释本公开的原理。
图1示出根据本公开的实施例的基于历史轨迹的轨迹预测方法的流程图。
图2示出根据本公开的实施例的基于历史轨迹的轨迹预测方法的处理过程的示意图。
图3示出根据本公开的实施例的基于历史轨迹的轨迹预测装置的框图。
图4示出根据本公开的实施例的基于历史轨迹的轨迹预测装置的框图。
图5示出根据本公开的实施例的基于历史轨迹的轨迹预测装置的框图。
具体实施方式
以下将参考附图详细说明本公开的各种示例性实施例、特征和方面。附图中相同的附图标记表示功能相同或相似的元件。尽管在附图中示出了实施例的各种方面,但是除非特别指出,不必按比例绘制附图。
在这里专用的词“示例性”意为“用作例子、实施例或说明性”。这里作为“示例性”所说明的任何实施例不必解释为优于或好于其它实施例。
另外,为了更好的说明本公开,在下文的具体实施方式中给出了众多的具体细节。本领域技术人员应当理解,没有某些具体细节,本公开同样可以实施。在一些实例中,对于本领域技术人员熟知的方法、手段、元件和电路未作详细描述,以便于凸显本公开的主旨。
在轨迹预测时,使用的多个历史轨迹中,只有部分历史轨迹与观测轨迹较为相似,因此只有部分历史轨迹对轨迹预测有较大贡献。基于此,本公开考虑到对于轨迹预测贡献程度较大的历史轨迹数目较少,且在预测过程中贡献较大的历史轨迹基本保持不变的情况,提出了一种时间开销较小、预测准确率较高的基于历史轨迹的轨迹预测方法。
本公开的实施例所述的基于历史轨迹的轨迹预测方法,可应用于处理器,该处理器可以是通用处理器,例如CPU(Central Processing Unit,中央处理器),也可以是用于执行人工智能运算的人工智能处理器(IPU),例如GPU(Graphics Processing Unit,图形处理单元)、NPU(Neural-Network Processing Unit,神经网络处理单元)、DSP(Digital SignalProcess,数字信号处理单元)等。本公开对处理器的具体类型不作限制。
图1示出根据本公开的实施例的基于历史轨迹的轨迹预测方法的流程图。如图1所示,该方法包括:
步骤S11,从预设的多条历史轨迹的子轨迹集合中,选取与观测轨迹匹配度最高的K条子轨迹,作为K条样本轨迹,所述多条历史轨迹包括多个航空器的历史运行轨迹,所述观测轨迹包括当前观测的航空器的运行轨迹,所述历史轨迹的子轨迹的长度小于或等于所述历史轨迹的长度,且大于所述观测轨迹的长度,K为正整数;
步骤S12,分别确定所述K条样本轨迹中各条样本轨迹与所述观测轨迹之间的平均距离;
步骤S13,在各个平均距离中存在小于或等于预设的距离阈值的平均距离的情况下,根据所述K条样本轨迹,确定所述观测轨迹在预测时刻的估计位置。
根据本公开的实施例,能够从多条历史轨迹的子轨迹集合中,选取与观测轨迹匹配度最高的K条子轨迹,作为K条样本轨迹,并分别确定K条样本轨迹中各条样本轨迹与观测轨迹之间的平均距离,在各个平均距离中存在小于或等于预设的距离阈值的平均距离的情况下,根据K条样本轨迹,确定观测轨迹在预测时刻的估计位置,从而可在预测当前观测的航空器的运行轨迹时,从多个航空器的历史轨迹中,确定出合适的样本轨迹,以减小样本集合,提高处理速度,降低时间开销,并可直接根据样本轨迹进行轨迹预测,以减小预测误差,提高轨迹预测的准确性。
在一种可能的实现方式中,所述多条历史轨迹可包括多个航空器(例如飞机、直升机等)的历史运行轨迹,所述观测轨迹可包括当前观测的航空器的运行轨迹。例如,在民航领域,对飞机的运行轨迹进行预测时,可将民航领域积累的、多个飞机的历史运行轨迹数据,作为多个历史轨迹,将当前观测的飞机的运行轨迹,作为观测轨迹。其中,观测轨迹与历史轨迹的采样间隔相同。
在一种可能的实现方式中,可分别确定各个历史轨迹的子轨迹,并根据确定出的多条子轨迹,建立子轨迹集合。对于任一历史轨迹,其子轨迹的长度可小于或等于该历史轨迹的长度,且大于观测轨迹的长度。
其中,子轨迹的长度是指子轨迹包括的轨迹点的数量;观测轨迹的长度是指观测轨迹包括的轨迹点的数量。每个轨迹点可通过(经度,维度,采集时刻)来表示。
举例来说,假设观测轨迹T0=[(x1,y1,t1),(x2,y2,t2),…,(xn,yn,tn)],对于T0中的第i个轨迹点(xi,yi,ti),xi表示该轨迹点的经度,yi表示该轨迹点的纬度,ti表示该轨迹点的采样时刻,i为整数且1≤i≤n;n表示观测轨迹T0共有n个轨迹点(n为大于1的整数),即观测轨迹T0的长度为n。历史轨迹的长度、子轨迹的长度确定方法与此类似,此处不再赘述。
在一种可能的实现方式中,对于任一历史轨迹,可根据该历史轨迹的长度及观测轨迹的长度,确定其子轨迹的数量。例如,对于长度为k的历史轨迹T′=[(x′1,y′1,t′1),(x′2,y′2,t′2),…,(x′k,y′k,t′k)],k为整数且k>n,可确定出k-n个子轨迹,分别表示为{T′1,T′2,…,T′k-n},其中,该历史轨迹T′的任一子轨迹T′j=[(x′j,y′j,t′j),(x′j+1,y′j+1,t′j+1),…,(x′k,y′k,t′k)],j为整数且1≤j≤k-n。
在一种可能的实现方式中,分别确定出各条历史轨迹的子轨迹后,可根据确定出的多条子轨迹,建立子轨迹集合,即得到多条历史轨迹的子轨迹集合。
在一种可能的实现方式中,可在步骤S11中,从预设的多条历史轨迹的子轨迹集合中,选取与观测轨迹匹配度最高的K条子轨迹,作为K条样本轨迹。可根据子轨迹集合中各条子轨迹与观测轨迹之间的相似度、欧式距离等,来确定各条子轨迹与观测轨迹之间的匹配度,然后从子轨迹集合中选取与观测轨迹匹配度最高(例如相似度最高、欧式距离最小等)的K条子轨迹,并将选取出的K条子轨迹作为K条样本轨迹。
在一种可能的实现方式中,可在步骤S12中,分别确定所述K条样本轨迹中各条样本轨迹与所述观测轨迹之间的平均距离。对于K条样本轨迹中的任一样本轨迹,可分别计算该样本轨迹与观测轨迹的各个对应轨迹点之间的距离,并将该距离的平均值,确定为该样本轨迹与观测轨迹之间的平均距离。
在一种可能的实现方式中,对应轨迹点可以是观测轨迹的第i个轨迹点与样本轨迹的第i个轨迹点相对应;或者,观测轨迹的第i个轨迹点与样本轨迹的第i+u个轨迹点相对应,u为正整数且1≤u≤k-n;或者是其他对应关系。本公开对对应轨迹点的确定方式不作限制。
在一种可能的实现方式中,确定出各条样本轨迹与观测轨迹之间的平均距离后,可在步骤S13中,判断各个平均距离中,是否存在小于或等于预设的距离阈值的平均距离,在各个平均距离中存在小于或等于距离阈值的平均距离的情况下,认为K条样本轨迹可信,无需更新样本轨迹;可根据K条样本轨迹,确定观测轨迹在预测时刻的估计位置。其中,预测时刻为未来的某个时刻。
应当理解,本领域技术人员可根据实际情况对距离阈值的具体取值进行设定,本公开对此不作限制。
在一种可能的实现方式中,步骤S11可包括:分别确定所述子轨迹集合中各条子轨迹与观测轨迹之间的第一距离,所述第一距离为欧式距离;将所述子轨迹集合中与所述观测轨迹的第一距离最短的K条子轨迹,确定为与所述观测轨迹匹配度最高的K条子轨迹;将所述K条子轨迹,确定为K条样本轨迹。
在一种可能的实现方式中,可分别确定子轨迹集合中各条子轨迹与观测轨迹之间的第一距离,其中,第一距离可以为欧式距离。例如,对于子轨迹集合中的子轨迹a为整数且n<a≤k,T1与观测轨迹T0之间的第一距离d(T0,T1)可通过下述公式(1)来确定:
在一种可能的实现方式中,确定出各条子轨迹与观测轨迹之间的第一距离后,可根据第一距离,通过比较、排序、选取K个最小值等多种方式,从子轨迹集合中,选取与观测轨迹的第一距离最短的K条子轨迹,将其确定为与观测轨迹匹配度最高的K条子轨迹,然后将K条子轨迹,确定为K条样本轨迹。
在本实施例中,通过从子轨迹集合中,选取与观测轨迹的欧式距离最短的K条子轨迹,作为K条样本轨迹,不仅可减小每次需遍历的样本轨迹数量,降低时间开销,还可提高选取的样本轨迹与观测轨迹的匹配度,进而提高轨迹预测的准确性。
在一种可能的实现方式中,步骤S12可包括:对于任一样本轨迹,分别确定预设时长内所述样本轨迹与所述观测轨迹的各个对应轨迹点之间的第二距离;将所述第二距离的平均值,确定为所述样本轨迹与所述观测轨迹之间的平均距离。
在一种可能的实现方式中,在计算预设时长内样本轨迹与观测轨迹之间的平均距离时,可首先确定预设时长内包括的轨迹点的数量S,S为正整数。可将观测轨迹的第n个轨迹点的采集时刻tn作为结束时刻,将在tn之前且与tn间隔预设时长的时刻确定为开始时刻,确定开始时刻与结束时刻之间的轨迹点的数量,并将该数量确定为预设时长内包括的轨迹点的数量S。
在一种可能的实现方式中,可将样本轨迹与观测轨迹的各个轨迹点,按照次序一一对应,并分别从样本轨迹与观测轨迹的第n个轨迹点开始,依次往前选取S个轨迹点;然后分别计算对应轨迹点之间的第二距离,例如,样本轨迹的第n个轨迹点与观测轨迹的第n个轨迹点之间的第二距离,样本轨迹的第n-1个轨迹点与观测轨迹的第n-1个轨迹点之间的第二距离等,从而可得到S个第二距离;将S个第二距离的平均值,确定为样本轨迹与观测轨迹之间的平均距离。
举例来说,假设观测轨迹T0=[(x1,y1,t1),(x2,y2,t2),…,(xn,yn,tn)],样本轨迹T″=[(x″1,y″1,t″1),…,(x″b,y″b,t″b)],b为整数且n<b≤k,预设时长内包括的轨迹点的数量为S,样本轨迹T″与观测轨迹T0之间的平均距离davg(T0,T″),可通过下述公式(2)来确定:
其中,q为整数且n-S+1≤q≤n。
在本实施例中,通过将预设时长内样本轨迹与观测轨迹的各个对应轨迹点之间的第二距离的平均值,确定为样本轨迹与观测轨迹之间的平均距离,可提高平均距离计算的准确性。
在一种可能的实现方式中,步骤S13可包括:分别确定所述K条样本轨迹中各条样本轨迹与所述观测轨迹之间的第三距离;从所述K条样本轨迹中,选取与所述观测轨迹的第三距离最短的M条样本轨迹,M为正整数且M≤K;根据所述第三距离,分别确定所述M条样本轨迹中各条样本轨迹的权重;根据所述M条样本轨迹及所述权重,确定所述观测轨迹在预测时刻的估计位置。
在一种可能的实现方式中,对于K条样本轨迹中的任一样本轨迹,可计算该样本轨迹与观测轨迹之间的第三距离,其中,第三距离可以为欧式距离;然后根据第三距离,从K条样本轨迹中,选取与观测轨迹的第三距离最短的M条样本轨迹,可将M条样本轨迹表示为{T″′1,T″′2,…,T″′M}。
在一种可能的实现方式中,可根据M条样本轨迹中各条样本轨迹与观测轨迹之间的第三距离,分别确定M条样本轨迹中各条样本轨迹的权重。对于M条样本轨迹{T″′1,T″′2,…,T″′M}中的任一样本轨迹T″′v,v为整数且1≤v≤M,其权重wv,可通过下述公式(3)来确定:
公式(3)中,d(T0,T″′v)表示样本轨迹T″′v与观测轨迹T0之间的第三距离,σ为固定参数值,例如,σ=100,其取值可根据实际情况进行设置。
确定出M条样本轨迹中各条样本轨迹的权重后,可对所有权重进行归一化处理,得到归一化处理后的权重。对于样本轨迹T″′v的权重wv,可通过下述公式(4)进行归一化处理,得到样本轨迹T″′v的归一化处理后的权重w″′v:
在一种可能的实现方式中,可根据M条样本轨迹及其归一化后的权重,确定观测轨迹在预测时刻的估计位置。
在本实施例中,从K条样本轨迹中,选取与观测轨迹的第三距离最短的M条样本轨迹,并分别确定M条样本轨迹中各条样本轨迹的权重,然后根据M条样本轨迹及其权重,确定观测轨迹在预测时刻的估计位置,可提高轨迹预测的准确性。
在一种可能的实现方式中,所述根据所述M条样本轨迹及所述权重,确定所述观测轨迹在预测时刻的估计位置,包括:分别确定各条样本轨迹与所述观测轨迹的预测时刻对应的目标时间点;根据各条样本轨迹在所述目标时间点的轨迹位置及所述权重,确定所述观测轨迹在预测时刻的估计位置。
在一种可能的实现方式中,在轨迹预测时,可首先分别确定M条样本轨迹中,各条样本轨迹与观测轨迹的预测时刻对应的目标时间点,然后可确定各条样本轨迹在其目标时间点的轨迹位置,再根据各条样本轨迹在其目标时间点的轨迹位置及其权重,确定观测轨迹在预测时刻的估计位置。
举例来说,假设预测时刻为未来的t′时刻,M条样本轨迹中的任一样本轨迹T″′v,其与t′时刻对应的目标时间点为t″′时刻,其在t″′时刻的轨迹位置(即轨迹点)p″′v=(x″′v,yv″′,t″′)。使用类似的方式,可确定出M条样本轨迹在目标时间点的轨迹位置,分别表示为{p″′1,p″′2,…,p″′M}。可根据轨迹位置{p″′1,p″′2,…,p″′M}及归一化后的权重{w″′1,w″′2,…,w″′M},确定观测轨迹在t′时刻的估计位置。
在本实施例中,通过确定M条样本轨迹中各条样本轨迹与观测轨迹的预测时刻对应的目标时间点,并根据各条样本轨迹在目标时间点的轨迹位置及其权重,来确定观测轨迹在预测时刻的估计位置,从而可直接利用各条样本轨迹在目标时间点的轨迹位置进行轨迹预测,并同时考虑各个样本轨迹的权重,可提高轨迹预测的准确性。
在一种可能的实现方式中,所述根据所述M条样本轨迹在所述目标时间点的轨迹位置及所述权重,确定所述观测轨迹在所述预测时刻的估计位置,包括:根据所述M条样本轨迹在所述目标时间点的轨迹位置及所述权重,通过混合高斯分布,拟合所述观测轨迹在所述预测时刻的估计位置服从的概率分布;根据所述概率分布,确定所述观测轨迹在所述预测时刻的估计位置。
在一种可能的实现方式中,确定观测轨迹在预测时刻的估计位置时,可首先确定以M条样本轨迹在目标时间点的轨迹位置为中心的高斯分布。
举例来说,M条样本轨迹在目标时间点的轨迹位置为{p″′1,p″′2,…,p″′M},对于任一轨迹位置p″′v=(x″′v,y″′v,t″′),以p″′v为中心、方差为σ2的高斯分布fv(x,y),可通过为下述公式(5)来表示:
公式(5)中,x和y为高斯分布中的自变量。
在一种可能的实现方式中,可根据得到的M个高斯分布及M条样本轨迹的权重{w″′1,w″′2,…,w″′M},通过混合高斯分布,得到观测轨迹在预测时刻的估计位置服从的概率分布f(x,y),可通过下述公式(6)来表示:
在一种可能的实现方式中,得到概率分布f(x,y)后,可根据该概率分布,确定观测轨迹在t′时刻(即预测时刻)的估计位置。例如,可将概率分布f(x,y)的期望值确定为观测轨迹在t′时刻的估计位置即估计位置
在本实施例中,通过混合高斯分布,拟合观测轨迹在预测时刻的估计位置服从的概率分布,并根据所该概率分布,确定观测轨迹在预测时刻的估计位置,可提高预测的估计位置的准确性。
在一种可能的实现方式中,所述方法还可包括:在各个平均距离中均不存在小于或等于预设的距离阈值的平均距离的情况下,从所述子轨迹集合中除所述K条样本轨迹外的子轨迹中,重新选取与所述观测轨迹匹配度最高的K条子轨迹;将重新选取的K条子轨迹,作为K条样本轨迹。
也就是说,在各个平均距离中均不存在小于或等于距离阈值的平均距离的情况下,即各个平均距离均大于距离阈值的情况下,认为K条样本轨迹不可信,需要更新样本轨迹。可通过与步骤S11类似的方法,从子轨迹集合中除K条样本轨迹之外的子轨迹中,重新选取与观测轨迹匹配度最高的K条子轨迹,并将重新选取的K条子轨迹,作为K条样本轨迹。
在本实施例中,在各个平均距离中均不存在小于或等于预设的距离阈值的平均距离的情况下,重新选取K条子轨迹作为K条样本轨迹,使得K条样本轨迹与观测轨迹更为接近,从而可提高轨迹预测的准确性。
图2示出根据本公开的实施例的基于历史轨迹的轨迹预测方法的处理过程的示意图。如图2所示,对当前观测的航空器进行轨迹预测时,可在步骤S201中,确定多个历史轨迹的子轨迹,并根据确定出的多个子轨迹,建立子轨迹集合;在步骤S202中,根据子轨迹集合中各个子轨迹与观测轨迹之间的欧式距离,选取与观测轨迹匹配度最高(即欧式距离最短)的K条子轨迹,作为K条样本轨迹;在步骤S203中,分别确定预设时长内各条样本轨迹与观测轨迹之间的平均距离;
在步骤S204中,判断各个平均距离中,是否存在小于或等于预设的距离阈值的平均距离;
在各个平均距离中存在小于或等于距离阈值的平均距离的情况下,执行步骤S205,从K条样本轨迹中,选取与观测轨迹的距离最短的M条样本轨迹;并在步骤S206中,根据M条样本轨迹与观测轨迹之间的距离,确定M条样本轨迹中各条样本轨迹的权重;在步骤S207中,分别确定M条样本轨迹中各条样本轨迹与观测轨迹的预测时刻对应的目标时间点,并根据M条样本轨迹在目标时间点的轨迹位置及其权重,通过混合高斯分布,确定观测轨迹在预测时刻的估计位置服从的概率分布;在步骤S208中,根据概率分布,确定观测轨迹在预测时刻的估计位置,例如,将概率分布的期望值,确定为观测轨迹在预测时刻的估计位置。
在各个平均距离中不存在小于或等于距离阈值的平均距离(即各个平均距离均大于距离阈值)的情况下,执行步骤S202,从子轨迹集合中处K条样本轨迹之外的子轨迹中,重新选取与观测轨迹匹配度最高的K条子轨迹,作为样本轨迹。
根据本公开的实施例,可在预测当前观测的航空器的运行轨迹时,从多个航空器的历史轨迹中,确定出合适的样本轨迹,以减小样本集合,提高处理速度,降低时间开销,并可直接根据样本轨迹,通过混合高斯分布,进行轨迹预测,以减小预测误差,提高轨迹预测的准确性。
空中交通管制是指由在地面的空中交通管制员协调和指导空域或机场内不同航空器的航行路线和飞航模式以防止飞航器在地面或者空中发生意外和确保他们均可以运作畅顺,达至最大效率。在空中交通管制中,可通过本公开的实施例所述的基于历史轨迹的轨迹预测方法,提前获取飞机的未来移动轨迹,从而可让空中交通管制员可以更好地规划飞机的路线,避免发生意外。
需要说明的是,尽管以上述实施例作为示例介绍了基于历史轨迹的轨迹预测方法如上,但本领域技术人员能够理解,本公开应不限于此。事实上,用户完全可根据个人喜好和/或实际应用场景灵活设定各步骤,只要符合本公开的技术方案即可。
图3示出根据本公开的实施例的基于历史轨迹的轨迹预测装置的框图。如图3所示,所述装置包括:
样本轨迹确定模块31,用于从预设的多条历史轨迹的子轨迹集合中,选取与观测轨迹匹配度最高的K条子轨迹,作为K条样本轨迹,所述多条历史轨迹包括多个航空器的历史运行轨迹,所述观测轨迹包括当前观测的航空器的运行轨迹,所述历史轨迹的子轨迹的长度小于或等于所述历史轨迹的长度,且大于所述观测轨迹的长度,K为正整数;
平均距离确定模块32,用于分别确定所述K条样本轨迹中各条样本轨迹与所述观测轨迹之间的平均距离;
预测模块33,用于在各个平均距离中存在小于或等于预设的距离阈值的平均距离的情况下,根据所述K条样本轨迹,确定所述观测轨迹在预测时刻的估计位置。
在一种可能的实现方式中,所述装置还包括:
样本轨迹更新模块,用于在各个平均距离中均不存在小于或等于预设的距离阈值的平均距离的情况下,从所述子轨迹集合中除所述K条样本轨迹外的子轨迹中,重新选取与所述观测轨迹匹配度最高的K条子轨迹,并将重新选取的K条子轨迹,作为K条样本轨迹。
本公开还提供了一种基于历史轨迹的轨迹预测装置,包括:处理器;用于存储处理器可执行指令的存储器;其中,所述处理器被配置为执行上述方法。
本公开还提供了一种非易失性计算机可读存储介质,其上存储有计算机程序指令,其中,所述计算机程序指令被处理器执行时实现上述方法。
图4示出根据本公开的实施例的基于历史轨迹的轨迹预测装置800的框图。例如,装置800可以是移动电话,计算机,数字广播终端,消息收发设备,游戏控制台,平板设备,医疗设备,健身设备,个人数字助理等。
参照图4,装置800可以包括以下一个或多个组件:处理组件802,存储器804,电源组件806,多媒体组件808,音频组件810,输入/输出(I/O)的接口812,传感器组件814,以及通信组件816。
处理组件802通常控制装置800的整体操作,诸如与显示,电话呼叫,数据通信,相机操作和记录操作相关联的操作。处理组件802可以包括一个或多个处理器820来执行指令,以完成上述的方法的全部或部分步骤。此外,处理组件802可以包括一个或多个模块,便于处理组件802和其他组件之间的交互。例如,处理组件802可以包括多媒体模块,以方便多媒体组件808和处理组件802之间的交互。
存储器804被配置为存储各种类型的数据以支持在装置800的操作。这些数据的示例包括用于在装置800上操作的任何应用程序或方法的指令,联系人数据,电话簿数据,消息,图片,视频等。存储器804可以由任何类型的易失性或非易失性存储设备或者它们的组合实现,如静态随机存取存储器(SRAM),电可擦除可编程只读存储器(EEPROM),可擦除可编程只读存储器(EPROM),可编程只读存储器(PROM),只读存储器(ROM),磁存储器,快闪存储器,磁盘或光盘。
电源组件806为装置800的各种组件提供电力。电源组件806可以包括电源管理***,一个或多个电源,及其他与为装置800生成、管理和分配电力相关联的组件。
多媒体组件808包括在所述装置800和用户之间的提供一个输出接口的屏幕。在一些实施例中,屏幕可以包括液晶显示器(LCD)和触摸面板(TP)。如果屏幕包括触摸面板,屏幕可以被实现为触摸屏,以接收来自用户的输入信号。触摸面板包括一个或多个触摸传感器以感测触摸、滑动和触摸面板上的手势。所述触摸传感器可以不仅感测触摸或滑动动作的边界,而且还检测与所述触摸或滑动操作相关的持续时间和压力。在一些实施例中,多媒体组件808包括一个前置摄像头和/或后置摄像头。当装置800处于操作模式,如拍摄模式或视频模式时,前置摄像头和/或后置摄像头可以接收外部的多媒体数据。每个前置摄像头和后置摄像头可以是一个固定的光学透镜***或具有焦距和光学变焦能力。
音频组件810被配置为输出和/或输入音频信号。例如,音频组件810包括一个麦克风(MIC),当装置800处于操作模式,如呼叫模式、记录模式和语音识别模式时,麦克风被配置为接收外部音频信号。所接收的音频信号可以被进一步存储在存储器804或经由通信组件816发送。在一些实施例中,音频组件810还包括一个扬声器,用于输出音频信号。
I/O接口812为处理组件802和***接口模块之间提供接口,上述***接口模块可以是键盘,点击轮,按钮等。这些按钮可包括但不限于:主页按钮、音量按钮、启动按钮和锁定按钮。
传感器组件814包括一个或多个传感器,用于为装置800提供各个方面的状态评估。例如,传感器组件814可以检测到装置800的打开/关闭状态,组件的相对定位,例如所述组件为装置800的显示器和小键盘,传感器组件814还可以检测装置800或装置800一个组件的位置改变,用户与装置800接触的存在或不存在,装置800方位或加速/减速和装置800的温度变化。传感器组件814可以包括接近传感器,被配置用来在没有任何的物理接触时检测附近物体的存在。传感器组件814还可以包括光传感器,如CMOS或CCD图像传感器,用于在成像应用中使用。在一些实施例中,该传感器组件814还可以包括加速度传感器,陀螺仪传感器,磁传感器,压力传感器或温度传感器。
通信组件816被配置为便于装置800和其他设备之间有线或无线方式的通信。装置800可以接入基于通信标准的无线网络,如WiFi,2G或3G,或它们的组合。在一个示例性实施例中,通信组件816经由广播信道接收来自外部广播管理***的广播信号或广播相关信息。在一个示例性实施例中,所述通信组件816还包括近场通信(NFC)模块,以促进短程通信。例如,在NFC模块可基于射频识别(RFID)技术,红外数据协会(IrDA)技术,超宽带(UWB)技术,蓝牙(BT)技术和其他技术来实现。
在示例性实施例中,装置800可以被一个或多个应用专用集成电路(ASIC)、数字信号处理器(DSP)、数字信号处理设备(DSPD)、可编程逻辑器件(PLD)、现场可编程门阵列(FPGA)、控制器、微控制器、微处理器或其他电子元件实现,用于执行上述方法。
在示例性实施例中,还提供了一种非易失性计算机可读存储介质,例如包括计算机程序指令的存储器804,上述计算机程序指令可由装置800的处理器820执行以完成上述方法。
图5示出根据本公开的实施例的基于历史轨迹的轨迹预测装置1900的框图。例如,装置1900可以被提供为一服务器。参照图5,装置1900包括处理组件1922,其进一步包括一个或多个处理器,以及由存储器1932所代表的存储器资源,用于存储可由处理组件1922的执行的指令,例如应用程序。存储器1932中存储的应用程序可以包括一个或一个以上的每一个对应于一组指令的模块。此外,处理组件1922被配置为执行指令,以执行上述方法。
装置1900还可以包括一个电源组件1926被配置为执行装置1900的电源管理,一个有线或无线网络接口1950被配置为将装置1900连接到网络,和一个输入输出(I/O)接口1958。装置1900可以操作基于存储在存储器1932的操作***,例如Windows ServerTM,MacOS XTM,UnixTM,LinuxTM,FreeBSDTM或类似。
在示例性实施例中,还提供了一种非易失性计算机可读存储介质,例如包括计算机程序指令的存储器1932,上述计算机程序指令可由装置1900的处理组件1922执行以完成上述方法。
本公开可以是***、方法和/或计算机程序产品。计算机程序产品可以包括计算机可读存储介质,其上载有用于使处理器实现本公开的各个方面的计算机可读程序指令。
计算机可读存储介质可以是可以保持和存储由指令执行设备使用的指令的有形设备。计算机可读存储介质例如可以是――但不限于――电存储设备、磁存储设备、光存储设备、电磁存储设备、半导体存储设备或者上述的任意合适的组合。计算机可读存储介质的更具体的例子(非穷举的列表)包括:便携式计算机盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、静态随机存取存储器(SRAM)、便携式压缩盘只读存储器(CD-ROM)、数字多功能盘(DVD)、记忆棒、软盘、机械编码设备、例如其上存储有指令的打孔卡或凹槽内凸起结构、以及上述的任意合适的组合。这里所使用的计算机可读存储介质不被解释为瞬时信号本身,诸如无线电波或者其他自由传播的电磁波、通过波导或其他传输媒介传播的电磁波(例如,通过光纤电缆的光脉冲)、或者通过电线传输的电信号。
这里所描述的计算机可读程序指令可以从计算机可读存储介质下载到各个计算/处理设备,或者通过网络、例如因特网、局域网、广域网和/或无线网下载到外部计算机或外部存储设备。网络可以包括铜传输电缆、光纤传输、无线传输、路由器、防火墙、交换机、网关计算机和/或边缘服务器。每个计算/处理设备中的网络适配卡或者网络接口从网络接收计算机可读程序指令,并转发该计算机可读程序指令,以供存储在各个计算/处理设备中的计算机可读存储介质中。
用于执行本公开操作的计算机程序指令可以是汇编指令、指令集架构(ISA)指令、机器指令、机器相关指令、微代码、固件指令、状态设置数据、或者以一种或多种编程语言的任意组合编写的源代码或目标代码,所述编程语言包括面向对象的编程语言—诸如Smalltalk、C++等,以及常规的过程式编程语言—诸如“C”语言或类似的编程语言。计算机可读程序指令可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中,远程计算机可以通过任意种类的网络—包括局域网(LAN)或广域网(WAN)—连接到用户计算机,或者,可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。在一些实施例中,通过利用计算机可读程序指令的状态信息来个性化定制电子电路,例如可编程逻辑电路、现场可编程门阵列(FPGA)或可编程逻辑阵列(PLA),该电子电路可以执行计算机可读程序指令,从而实现本公开的各个方面。
这里参照根据本公开实施例的方法、装置(***)和计算机程序产品的流程图和/或框图描述了本公开的各个方面。应当理解,流程图和/或框图的每个方框以及流程图和/或框图中各方框的组合,都可以由计算机可读程序指令实现。
这些计算机可读程序指令可以提供给通用计算机、专用计算机或其它可编程数据处理装置的处理器,从而生产出一种机器,使得这些指令在通过计算机或其它可编程数据处理装置的处理器执行时,产生了实现流程图和/或框图中的一个或多个方框中规定的功能/动作的装置。也可以把这些计算机可读程序指令存储在计算机可读存储介质中,这些指令使得计算机、可编程数据处理装置和/或其他设备以特定方式工作,从而,存储有指令的计算机可读介质则包括一个制造品,其包括实现流程图和/或框图中的一个或多个方框中规定的功能/动作的各个方面的指令。
也可以把计算机可读程序指令加载到计算机、其它可编程数据处理装置、或其它设备上,使得在计算机、其它可编程数据处理装置或其它设备上执行一系列操作步骤,以产生计算机实现的过程,从而使得在计算机、其它可编程数据处理装置、或其它设备上执行的指令实现流程图和/或框图中的一个或多个方框中规定的功能/动作。
附图中的流程图和框图显示了根据本公开的多个实施例的***、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上,流程图或框图中的每个方框可以代表一个模块、程序段或指令的一部分,所述模块、程序段或指令的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。在有些作为替换的实现中,方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如,两个连续的方框实际上可以基本并行地执行,它们有时也可以按相反的顺序执行,这依所涉及的功能而定。也要注意的是,框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合,可以用执行规定的功能或动作的专用的基于硬件的***来实现,或者可以用专用硬件与计算机指令的组合来实现。
以上已经描述了本公开的各实施例,上述说明是示例性的,并非穷尽性的,并且也不限于所披露的各实施例。在不偏离所说明的各实施例的范围和精神的情况下,对于本技术领域的普通技术人员来说许多修改和变更都是显而易见的。本文中所用术语的选择,旨在最好地解释各实施例的原理、实际应用或对市场中的技术的改进,或者使本技术领域的其它普通技术人员能理解本文披露的各实施例。
Claims (10)
1.一种基于历史轨迹的轨迹预测方法,其特征在于,所述方法包括:
从预设的多条历史轨迹的子轨迹集合中,选取与观测轨迹匹配度最高的K条子轨迹,作为K条样本轨迹,所述多条历史轨迹包括多个航空器的历史运行轨迹,所述观测轨迹包括当前观测的航空器的运行轨迹,所述历史轨迹的子轨迹的长度小于或等于所述历史轨迹的长度,且大于所述观测轨迹的长度,K为正整数;
分别确定所述K条样本轨迹中各条样本轨迹与所述观测轨迹之间的平均距离;
在各个平均距离中存在小于或等于预设的距离阈值的平均距离的情况下,根据所述K条样本轨迹,确定所述观测轨迹在预测时刻的估计位置。
2.根据权利要求1所述的方法,其特征在于,所述从预设的多个历史轨迹的子轨迹集合中,选取与观测轨迹匹配度最高的K条子轨迹,作为K条样本轨迹,包括:
分别确定所述子轨迹集合中各条子轨迹与观测轨迹之间的第一距离,所述第一距离为欧式距离;
将所述子轨迹集合中与所述观测轨迹的第一距离最短的K条子轨迹,确定为与所述观测轨迹匹配度最高的K条子轨迹;
将所述K条子轨迹,确定为K条样本轨迹。
3.根据权利要求1所述的方法,其特征在于,所述分别确定所述K条样本轨迹中各条样本轨迹与所述观测轨迹之间的平均距离,包括:
对于任一样本轨迹,分别确定预设时长内所述样本轨迹与所述观测轨迹的各个对应轨迹点之间的第二距离;
将所述第二距离的平均值,确定为所述样本轨迹与所述观测轨迹之间的平均距离。
4.根据权利要求1所述的方法,其特征在于,所述根据所述K条样本轨迹,确定所述观测轨迹在预测时刻的估计位置,包括:
分别确定所述K条样本轨迹中各条样本轨迹与所述观测轨迹之间的第三距离;
从所述K条样本轨迹中,选取与所述观测轨迹的第三距离最短的M条样本轨迹,M为正整数且M≤K;
根据所述第三距离,分别确定所述M条样本轨迹中各条样本轨迹的权重;
根据所述M条样本轨迹及所述权重,确定所述观测轨迹在预测时刻的估计位置。
5.根据权利要求4所述的方法,其特征在于,所述根据所述M条样本轨迹及所述权重,确定所述观测轨迹在预测时刻的估计位置,包括:
分别确定各条样本轨迹与所述观测轨迹的预测时刻对应的目标时间点;
根据各条样本轨迹在所述目标时间点的轨迹位置及所述权重,确定所述观测轨迹在预测时刻的估计位置。
6.根据权利要求5所述的方法,其特征在于,所述根据所述M条样本轨迹在所述目标时间点的轨迹位置及所述权重,确定所述观测轨迹在所述预测时刻的估计位置,包括:
根据所述M条样本轨迹在所述目标时间点的轨迹位置及所述权重,通过混合高斯分布,拟合所述观测轨迹在所述预测时刻的估计位置服从的概率分布;
根据所述概率分布,确定所述观测轨迹在所述预测时刻的估计位置。
7.根据权利要求1所述的方法,其特征在于,所述方法还包括:
在各个平均距离中均不存在小于或等于预设的距离阈值的平均距离的情况下,从所述子轨迹集合中除所述K条样本轨迹外的子轨迹中,重新选取与所述观测轨迹匹配度最高的K条子轨迹;
将重新选取的K条子轨迹,作为K条样本轨迹。
8.一种基于历史轨迹的轨迹预测装置,其特征在于,所述装置包括:
样本轨迹确定模块,用于从预设的多条历史轨迹的子轨迹集合中,选取与观测轨迹匹配度最高的K条子轨迹,作为K条样本轨迹,所述多条历史轨迹包括多个航空器的历史运行轨迹,所述观测轨迹包括当前观测的航空器的运行轨迹,所述历史轨迹的子轨迹的长度小于或等于所述历史轨迹的长度,且大于所述观测轨迹的长度,K为正整数;
平均距离确定模块,用于分别确定所述K条样本轨迹中各条样本轨迹与所述观测轨迹之间的平均距离;
预测模块,用于在各个平均距离中存在小于或等于预设的距离阈值的平均距离的情况下,根据所述K条样本轨迹,确定所述观测轨迹在预测时刻的估计位置。
9.一种基于历史轨迹的轨迹预测装置,其特征在于,包括:
处理器;
用于存储处理器可执行指令的存储器;
其中,所述处理器被配置为:实现权利要求1至7中任意一项所述的方法。
10.一种非易失性计算机可读存储介质,其上存储有计算机程序指令,其特征在于,所述计算机程序指令被处理器执行时实现权利要求1至7中任意一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011126574.5A CN112215429A (zh) | 2020-10-20 | 2020-10-20 | 基于历史轨迹的轨迹预测方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011126574.5A CN112215429A (zh) | 2020-10-20 | 2020-10-20 | 基于历史轨迹的轨迹预测方法及装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN112215429A true CN112215429A (zh) | 2021-01-12 |
Family
ID=74056062
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011126574.5A Pending CN112215429A (zh) | 2020-10-20 | 2020-10-20 | 基于历史轨迹的轨迹预测方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112215429A (zh) |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105409306A (zh) * | 2014-06-11 | 2016-03-16 | 华为技术有限公司 | 移动终端位置预测方法及装置 |
US20160377441A1 (en) * | 2015-06-23 | 2016-12-29 | International Business Machines Corporation | Quantifying anomalous behavior by identifying anomalies at subtrajectories |
CN107610464A (zh) * | 2017-08-11 | 2018-01-19 | 河海大学 | 一种基于高斯混合时间序列模型的轨迹预测方法 |
CN110825833A (zh) * | 2019-11-11 | 2020-02-21 | 杭州数澜科技有限公司 | 一种预测用户移动轨迹点的方法 |
CN111291280A (zh) * | 2020-03-10 | 2020-06-16 | 中国科学院计算技术研究所 | 一种大规模移动对象的轨迹快速预测方法、介质和设备 |
CN111402580A (zh) * | 2020-03-04 | 2020-07-10 | 杭州海康威视***技术有限公司 | 车辆行驶轨迹预测方法、装置及电子设备 |
CN111401531A (zh) * | 2020-04-24 | 2020-07-10 | 中国人民解放军国防科技大学 | 轨迹预测方法和*** |
CN111767475A (zh) * | 2020-03-20 | 2020-10-13 | 吉利汽车研究院(宁波)有限公司 | 一种目标行人轨迹预测模型训练方法、装置、电子设备及存储介质 |
-
2020
- 2020-10-20 CN CN202011126574.5A patent/CN112215429A/zh active Pending
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105409306A (zh) * | 2014-06-11 | 2016-03-16 | 华为技术有限公司 | 移动终端位置预测方法及装置 |
US20160377441A1 (en) * | 2015-06-23 | 2016-12-29 | International Business Machines Corporation | Quantifying anomalous behavior by identifying anomalies at subtrajectories |
CN107610464A (zh) * | 2017-08-11 | 2018-01-19 | 河海大学 | 一种基于高斯混合时间序列模型的轨迹预测方法 |
CN110825833A (zh) * | 2019-11-11 | 2020-02-21 | 杭州数澜科技有限公司 | 一种预测用户移动轨迹点的方法 |
CN111402580A (zh) * | 2020-03-04 | 2020-07-10 | 杭州海康威视***技术有限公司 | 车辆行驶轨迹预测方法、装置及电子设备 |
CN111291280A (zh) * | 2020-03-10 | 2020-06-16 | 中国科学院计算技术研究所 | 一种大规模移动对象的轨迹快速预测方法、介质和设备 |
CN111767475A (zh) * | 2020-03-20 | 2020-10-13 | 吉利汽车研究院(宁波)有限公司 | 一种目标行人轨迹预测模型训练方法、装置、电子设备及存储介质 |
CN111401531A (zh) * | 2020-04-24 | 2020-07-10 | 中国人民解放军国防科技大学 | 轨迹预测方法和*** |
Non-Patent Citations (2)
Title |
---|
谢彬 等: "基于轨迹相似度的移动目标轨迹预测算法", 计算机工程, vol. 44, no. 09, 15 September 2018 (2018-09-15), pages 177 - 183 * |
郭威 等: "基于轨迹聚类的航空器轨迹模式挖掘研究", 计算机应用研究, vol. 37, no. 02, 29 February 2020 (2020-02-29), pages 416 - 420 * |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109766954B (zh) | 一种目标对象处理方法、装置、电子设备及存储介质 | |
CN111753822A (zh) | 文本识别方法及装置、电子设备和存储介质 | |
CN109725329B (zh) | 一种无人车定位方法及装置 | |
CN109919300B (zh) | 神经网络训练方法及装置以及图像处理方法及装置 | |
CN109543537B (zh) | 重识别模型增量训练方法及装置、电子设备和存储介质 | |
CN110543850B (zh) | 目标检测方法及装置、神经网络训练方法及装置 | |
CN112101238A (zh) | 聚类方法及装置、电子设备和存储介质 | |
CN109615006B (zh) | 文字识别方法及装置、电子设备和存储介质 | |
CN110781934A (zh) | 监督学习、标签预测方法及装置、电子设备和存储介质 | |
US11455836B2 (en) | Dynamic motion detection method and apparatus, and storage medium | |
CN109543536B (zh) | 图像标识方法及装置、电子设备和存储介质 | |
CN111881827B (zh) | 目标检测方法及装置、电子设备和存储介质 | |
CN111104920A (zh) | 视频处理方法及装置、电子设备和存储介质 | |
CN113074726A (zh) | 位姿确定方法及装置、电子设备和存储介质 | |
CN111523599B (zh) | 目标检测方法及装置、电子设备和存储介质 | |
CN113792622A (zh) | 帧率调整方法及装置、电子设备和存储介质 | |
CN113052874B (zh) | 目标跟踪方法及装置、电子设备和存储介质 | |
US20180341041A1 (en) | Method and device for determining descriptive information of precipitation trend, and readable storage medium | |
CN112598676A (zh) | 图像分割方法及装置、电子设备和存储介质 | |
CN110543928B (zh) | 检测无轨胶轮车载人人数的方法及装置 | |
CN112215429A (zh) | 基于历史轨迹的轨迹预测方法及装置 | |
CN113255912B (zh) | 神经网络的通道剪枝方法及装置、电子设备和存储介质 | |
CN111832338A (zh) | 对象检测方法及装置、电子设备和存储介质 | |
CN111008606B (zh) | 图像预测方法及装置、电子设备和存储介质 | |
CN113157848A (zh) | 航路确定方法及装置、电子设备和存储介质 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination |